Detection of different objects for autonomous driving applications / Ανίχνευση διαφορετικών αντικειμένων για αυτόνομες εφαρμογές οδήγησης

Summary

The aim of this dissertation is to use real-time video to locate and classify distinct motion objects. Two ways were employed and compared to achieve this. The Berkeley DeepDrive dataset was used to train the two YOLO and Faster RCNN models so that they could compare their performance and create a similar mAP table as well as matching diagrams of normalized total loss and average accuracy (mAP). Then, with a focus on autonomous driving and attempting to compare the models' performance, brief FPS and mAP measurement movies were generated.

Περίληψη

Στόχος της παρούσας διπλωματικής είναι ο εντοπισμός και η ταξινόμηση διάφορων αντικειμένων κίνησης μέσα από βίντεο σε πραγματικό χρόνο. Για να επιτευχθεί αυτό χρησιμοποιήθηκαν και συγκρίθηκαν δύο μοντέλα. Αρχικά πραγματοποιήθηκε η εκπαίδευση των δύο μοντέλων YOLO και Faster R-CNN στο σύνολο δεδομένων Berkeley DeepDrive έτσι ώστε να μπορέσουν να συγκριθούν οι επιδόσεις τους και να λάβουμε σαν αποτέλεσμα ένα συγκρίσιμο πίνακα mAP καθώς και αντίστοιχα διαγράμματα της ομαλοποιημένης συνολικής απώλειας και της μέσης ακρίβειας(mAP) . Έπειτα δόθηκε ιδιαίτερη έμφαση στο πλαίσιο της αυτόνομης οδήγησης και στην προσπάθεια σύγκρισης των επιδόσεων των μοντέλων δημιουργήθηκαν βίντεο μέτρησης FPS και mAP σε πραγματικό χρόνο.